人工智能在各个应用领域可以提高人类决策能力。理想情况下，人类与人工智能之间的合作应该能达到互补的团队表现，尽管迄今为止，很少观察到这种互补的现象，这表明对于决策中人工智能与人类合作中的互补成分的理解仍然不足。本文建立了一个关于理解和开发人工智能与人类互补性的整体理论基础。我们通过引入和形式化互补潜力及其实现的概念来概括互补性。此外，我们确定并概述了解释互补团队表现的来源。我们通过两项实证研究将我们的概念应用于实证验证两个不同的互补潜力源。第一项研究中，我们关注信息不对称作为一种来源，并在房地产评估应用案例中证明人类能够利用独特的背景信息实现互补团队表现。在第二项研究中，我们关注能力不对称作为另一种来源，展示了异质能力如何帮助实现互补团队表现。我们的工作为研究人员提供了关于人工智能决策中互补性的理论基础，并证明利用互补潜力来源是有效人工智能与人类合作的途径。

Mar, 2024

人工智能和人类协作的真正潜力在于利用人类和人工智能的互补能力，实现超越个体人工智能或人类的联合绩效，即实现互补团队绩效 (CTP)。本研究通过 100 位参与者的实验展示了学习与适当依赖之间的关系，为分析依赖和有效设计人工智能决策提供了基础概念。

Oct, 2023

研究表明，仅当 AI 单独胜过人类和最佳团队时，AI 解释才能提高人类 - AI 团队在决策任务上的表现。本研究通过三个数据集上的混合法用户研究发现，AI 表现增强是有可能提高团队准确性的，但并非由于解释的作用，而是由于解释能提高人类对 AI 建议的接受率，进而鼓励恰当的信任和生成更好的绩效。

Jun, 2020

探索人工智能与人类之间的协作，提出一种基于学习互补策略的方法，利用算法来补充人类的不足，实现优化的决策，同时在不同的应用场景中提供有效的性能改进。

Feb, 2023

本研究通过两个实验研究了应用可解释人工智能技术对于提高团队情境感知、共享心智模型等关键特征的人 - 机团队的效果。结果发现，人 - 机团队的构成对可解释人工智能技术的效果产生了显著影响，初学者受益于通过可解释人工智能技术提高的情境感知，而专家则会由于注意力过度分散导致表现下降。因此，在人 - 机团队的设计和应用过程中，应谨慎考虑团队构成对于可解释人工智能技术效果的影响。

Sep, 2022

通过利用程序化的科学专业知识，在避免科学群体和其认知偏差的前提下，利用互补智能生成的有价值的预测不能在人类科学家和发明家的时代被想象或追求，并且通过检测和纠正人类认知偏差，为完善科学教育提供了机会。

Jul, 2022

研究了用户与三个模拟算法模型的交互，发现较低水平的用户虽然能从 AI 建议中受益，但是他们的决策水平却没能达到 AI 的精度，高水平用户则通常能辨别何时应该遵循 AI 建议并保持或提高其性能，而中等水平者则最不稳定，AI 建议会对其性能产生帮助或伤害，此外，用户对 AI 性能的感知也对决策的精度影响非常大。该研究提供了关于人工智能协作相关复杂因素的见解，并提出了如何开发以人为本的人工智能算法以辅助用户在决策任务中的建议。

Aug, 2022

在鸟类物种识别任务中，通过一项涉及 136 名参与者的强大的混合方法用户研究，我们评估了错误解释对人类决策行为的影响，考虑了参与者的专业水平和解释的断言程度，并揭示了不完美的 XAI 以及人类专业水平对于其对人类决策和人机团队绩效的依赖的影响。我们还讨论了解释可能在人机合作中误导决策者的方式，从而为设计人机合作系统的设计者提供了指南。

Jul, 2023

人工智能在网络安全领域的潜力以及人工智能与人类合作的风险因素、伦理和法律问题等方面进行了深入探讨，强调了将人类专家的专业知识与人工智能的计算能力相结合以改善网络防御的重要性。

Sep, 2023

探讨了使用 AI 辅助决策时，人工智能的预测性能与偏差如何对人类决策产生影响的复杂动态，并通过大规模用户研究发现，高性能的模型显著提高了人类在混合环境中的表现，但有些模型削弱了混合偏见，有些则加重了混合偏见。这些研究结果表明，预先评估这些复杂动态对于部署人工智能具有明确的必要性。

Feb, 2022